Aulas
Cada tópico de aula possui slides de aula executáveis em formato .ppsx, slides em formato .pdf e um notebook Jupiter executável (.ipynb) (em Python) relacionados aos subtópicos listados. Eventualmente, arquivos Python auxiliares necessários para execução do Jupiter também serão fornecidos.
1 - Introdução à Inteligência Artificial
2 - Busca global cega
3 - Busca global com heurísticas
4 - Busca local (gradiente)
5 - Busca local (populacional)
6 - Minimax e Monte Carlo Tree Search
7 - Expect(min)imax
8 - Processo de decisão markoviano
9 - Aprendizagem por reforço
10 - Inferência precisa e Sistemas de Produção
11 - Modelos probabilísticos temporais (Cadeias de Markov) e Modelos Escondidos de Markov (HMM)
12 - Raciocínio probabilístico (Redes Bayesianas)
13 - Teoria da Decisão Bayesiana
14 - Introdução ao Aprendizado de Máquina
15 - Discriminantes Lineares
16 - Regressão Logística
17 - Aprendizado probabilístico (Naïve Bayes)
18 - Árvores de Decisão (e Florestas Aleatórias)
19 - Métodos baseados em distância (K vizinhos mais próximos - KNN)
20 - Regressão Linear
21 - Modelos descritivos (agrupamento)
Exercícios
Teoria 01
Teoria 02
Teoria 03
Teoria 04
Teoria 05
Teoria 06
Teoria 07
Prática 01
Prática 02
Prática 03
Prática 04
Prática 05
Prática 06
*Para acesso às soluções dos exercícios práticos e teóricos, contactar o autor por e-mail.
Sobre o autor
Professor Associado IV (DCOMP/UFS)
Bolsista de Produtividade CNPq
hendrik@dcomp.ufs.br
CIÊNCIA para tudo.
EDUCAÇÃO para todos.